دانلود رایگان ترجمه مقاله نقشه برداری دیجیتال از کربن خاک – الزویر 2016

دانلود رایگان مقاله انگلیسی نقشه برداری دیجیتال از کربن خاک در یک منطقه کشت انگور در جنوب برزیل به همراه ترجمه فارسی

 

عنوان فارسی مقاله: نقشه برداری دیجیتال از کربن خاک در یک منطقه کشت انگور در جنوب برزیل
عنوان انگلیسی مقاله: Digital mapping of soil carbon in a viticultural region of Southern Brazil
رشته های مرتبط: مهندسی عمران، شیمی، کشاورزی، نقشه برداری، خاک و پی یا ژئوتکنیک، شیمی محیط زیست و شیمی آلی، شیمی خاک
فرمت مقالات رایگان مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF میباشند
کیفیت ترجمه کیفیت ترجمه این مقاله عالی میباشد 
توضیحات ترجمه این مقاله تا صفحه 7 انجام شده است.
نشریه الزویر – Elsevier
کد محصول f153

مقاله انگلیسی رایگان

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان 

دانلود رایگان ترجمه مقاله
جستجوی ترجمه مقالات جستجوی ترجمه مقالات عمران

 

 

بخشی از ترجمه فارسی مقاله:

چکیده
در این ناحیه ها نیاز به ارزیابی خاک C در مناطق گرمسیری و نیمه گرمسیری و جود دارد. هدف ما تعیین داده های جغرافیایی غلظت کربن آلی خاک(SOC) و ذخایر تحت استفاده زمین های مختلف و انواع خاک در محدوده ای 8118 هکتاری در جنوب برزیل است. خاک های رایج در این منطقه عبارتند از اینسپتیسول ها، آلتیسول و مولیسول و خاک مورد استفاده غالب که خاک جنگل و تاکستان است. داده های کربن آلی خاک با 5 معیار عمق استخراج از توابع عددی مدل شدند. برای مدل کردن غلظت کربن آلی خاک برای هر عمق تاcm 100 و برای تولید نقشه عمق خاک از کریجینگ رگرسیون استفاده شد. عدم قطعیت با استفاده از روش تجربی و با استفاده از شبیه سازی زمین آماری پی در پی گاوس از رسوبات برآورد شد. روش پیش بینی پوشش گیاهی طبیعی کربن خاک(PNVSC) برای ارزیابی تغییرات در کربن خاک برای تغییر کاربری خاک استفاده شد. تراکم زیاد به وسیله توابع انتقالی محاسبه شد. ذخایر کربنی آلی خاک با استفاده از پیش بینی کربن آلی خاک محاسبه شدند، و تراکم زیاد و نقشه عمق خاک، و ذخایر کربنی آلی خاک به وسیله مختصات جرم تجمعی اصلاح شدند. مدل ها پیش بینی غلظت کربن آلی خاک را در حدود 44% مغایرت در عمق 30 – 60 cm با مقادیر نسبتاً کمتری برای عمق های دیگر توضیح دادند. متغیرهای مهم برای پیش بینی، ترتیب لایه های خاک (انتیسول ها)، مختصات X ، بعد و مدل سه بعدی دیجیتال ارتفاع خاک ( DEM( بودند. این مدل برای پیش بینی عمق 43% مغایرت را نشان داد که متغیرهای مهم ترتیب لایه های خاک (انتیسول، مولیسول، آلتیسول)، عمق دره و TWI بودند. خاک های جنگلی، کربن را بیش از 30 cm انباشته می کنند درحالیکه خاک های مراتع سطح کربن آلی بیشتر و عمق بیشتری دارند. خاک های محصولات زراعی و تاکستان ها کمترین غلظت کربن آلی خاک را دارند. غلظت کربن آلی خاک به وسیله عمق ، و همچنین پیش بینی فواصل عدم قطعیت، تا عمق 60cm افزایش می یابد. ذخایر کربن آلی خاک (100-0) در مقایسه با هنگامی که پیش بینی می شد آنها در خاک های جنگل باشند بین 104 tc/هکتار نسبت به آلفیسول ها در تاکستان و 280 هکتار/tc در محدوده های مرتعی نسبت به آکسیسول متغیر است. تجزیه تحلیل های پیش بینی پوشش گیاهی طبیعی کربن خاک PNVSC نشان دادند که قسمت بیشتری از خاک در مقایسه با هنگامی که آنها در خاک های جنگلی وجود داشتند کربن آلی را از دست داده بود.
1- مقدمه
ارزیابی مقدار و توزیع سطوح کربن آلی خاک (SOC) به اندازه فراهم کردن اطلاعات مورد حاصلخیزی خاک، درجه های جدا سازی کربن، بهبود خاک تخریب شده یا به اندازه تأثیر تغییرات کاربری زمین اهمیت دارد. نقشه برداری غلظت کربن آلی خاک و ذخایر به خاطر تغییر و انعطاف پذیری قابل ملاحظه ای، چالش برانگیز است. تغییرات موقتی کربن آلی خاک به وسیله عوامل طبیعی و آنتروپیک تحت تأثیر قرار گرفته اند که شامل شیوه های مدیریت و تغییرات کاربری زمین می شود.
مطالعات اخیر کربن آلی خاک را پیش بینی و به تصویر کشیده اند
(Adhikariet al., 2014; Padarian et al., 2012; Kirsten et al., 2015; Malone et al.2009Mendonça-Santos et al., 2010; Ross et al., 2013; Zhang and
Shao, 2014)
و این محاسبه بر اساس رابطه بین متغیرهای کمکی ( کاربری زمین، نوع خاک، شیب، بعد، و غیره) و سطوح کربن آلی خاک می باشد. متغیرهای کمکی مختلف برای توضیح توزیع کربن آلی خاک در مدل ها یافت شدند. Thompson and Kolka (2005) متوجه شدن که بیش از 71% تغییر کربن آلی خاک می تواند به وسیله شیب، بعد، انحنا، شاخص رطوبت توپوگرافی و فاصله جریان زمینی توضیح داده شود. ویسمر و همکاران. (2014) متوجه شدن که مهمترین عوامل برای پیش بینی ذخایر کربن آلی خاک کاربری زمین، نوع خاک، رطوبت خاک، و آب و هوا هستند. آدیکاری و همکاران. (2014) غلظت کربن آلی خاک در عمق های مختلف خاک را پیش بینی کردند و گزارش دادن که اهمیت متغیرها به وسیله عمق تغییر می کند. میناسنی و همکاران (2013) مطالعات تصویر برداری دیجیتال زیادی را از کربن های آلی خاک باهم ترکیب کردند و به این نتیجه رسیدند که متغیرهای کمکی مختلف می توانند تغییر کربن آلی خاک وابسته به پیچیدگی خاکبرداری را تفسیر کنند. ارزیابی موجودی کربن آلی خاک تا به امروز بیشتر بر روی لایه های سطحی 20-0cm یا 30-0cm تمرکز کرده است، در حالیکه مقدار قابل توجهی از کربن آلی خاک می تواند در عمق بیشتری در نمایه خاک ارائه شود
Lal, 2005; Rumpel and Kögel-Knabner, 2011; Minasny et al., 2013; Boddey et al., 2010).Sisti et al. (2004(.
گفتند که ذخایر کربن آلی خاک مطالعه شده تا خاکورزی یعنی 100cm در عمق و خاکورزی مرسوم و یافت شده، در چرخش با باقلای کاشته شده به عنوان محصول سبز- کود زمستانی، کربن خاک بسیار زیاد و غلظت نیتروژن زیرصفر خاکورزی، با بیشترین اختلاف دقت در عمق 85-30 cm، کاهش می یابد. انگرس و اریکسن-همل (2008) تفاسیر مختلفی از ذخایر کربن آلی خاک، هنگامی که عمق های مختلف مورد نظر در خاکورزی صفر کشت و زرع تمام وارونه وجود نداشتند را نشان دادند. خاکورزی تمام وارونه می تواند کربن بیشتری را در کف لایه شخم انباشت کند، اما کربن آلی خاک به طور کامل افزایش تحت خاکورزی صفر در سطح افق را جبران نمی کند. محققان اهمیت در نظر گرفتن نمایه کامل برای درک توزیع ذخایر کربن آلی خاک را برجسته کردند.
کاربری زمین تأثیر عمده ای بر روی غلظت و ذخایر کربن آلی خاک دارد. هرچند، این تأثیرات نیز به وسیله طبقه و عمق خاک تحت تأثیر قرار می گیرند ( هارتمینک و مک سوئینی، 2014؛ نیدر و بنبیو 2008). تغییرات در کاربری خاک بر روی سطوح کربن آلی خاک تأثیر می گذارد و ویژگی های خاک را اصلاح می کند. مطالعات مختلفی تغییرات کربن آلی خاک با تغییر کاربری زمین را شرح داده اند. کانانت و همکاران. (2011)، 115 تحقیق را بازبینی کردند و فهمیدند که در حدود نزدیک به 70% تحقیقات تغییر از زمین اصلی ( بیشتر جنگل های انبوه) به مراتع، باعث افزایش محتوای کربن خاک شده است. گوا و جیفرد (2002)، با تدوین 74 نشریه، فهمیدند که دخایر کربن آلی خاک بعد از کاربری تغییر یافته از مرتع به کشت و زرع (10%-)، جنگل اصلی به کشت وزرع (13-%)، جنگل اصلی به محصولات کشاورزی(42-%) و مرتع به محصولات کشاورزی (59-%) کاهش یافته اند. هرچند، ذخایر کربن آلی خاک هنگامی که، جنگل اصلی به مرتع (8+%)، محصولات کشاورزی به مرتع (19+%)، محصول به کشت و زرع (18+%)، و محصول به جنگل ثانویه (53+%) تبدیل شدند، افزایش یافتند. کری و آندروکس (1990) نشان دادن که سطوح کربن بعد از 50 سال کشت نیشکر، در سائوپولوی برزیل 46% از سطوح جنگل های اولیه را تشکیل دادند.
اگرچه در اینجا مقدار قابل ملاحظه ای از تحقیقات بر روی تصویربرداری دیجیتال از کربن آلی خاک در مناطق معتدل وجود دارد، اما مطالعات کمی در مورد محدوده های گرمسیری و نیمه گرمسیری انجام شده اند. مثال هایی از این مطالعات عبارتند از برهانگری و همکاران (2013) محاسبه ذخایر کربن آلی خاک در پامپاس آرژانتین، چنگ و همکاران، (2004) پیش بینی غلظت کربن آلی خاک در منطقه نیمه گرمسیری در چین، وسک و همکاران (2010) محاسبه ذخایر کربن آلی خاک در حوضه نیمه گرمسیری در فلوریدا. تصویر برداری دیجیتال از خاک در برزیل به کار گرفته شد ( گیاشن و همکاران 2006؛ مندوکا-سانتوز و سانتوز، 2007) و مثال هایی از پیش بینی های کربن آلی خاک شامل مطالعات انجام شده توسط مندوکا و همکاران (2010) می شوند، کسی که برای ارزیابی ذخایر کربن آلی خاک در ایالت ریو دوژانیرو از روش کرجینگ – رگرسیون استفاده کرد و دسوزا و همکاران نیز در سال 2014 برای پیش بینی کربن آلی خاک و محتوای خاک در ریو دوس بیسین از این روش استفاده کردند. تحقیقات دیگری نیز در اینجا وجود داشتند (برای مثال، کری و همکاران، 2007؛ ترنکیست و همکاران، 2009) جایی که مدل های اکوسیستمی مانند مدل کربن راثمند یا سنچری را برای محاسبه پویایی های کربن آلی خاک در لایه های بالایی خاک از مناطق مختلف در برزیل به کار گرفته شدند.
هدف این تحقیق این است که توزیع کربن خاک در ناحیه رشد انگور در منطقه وال دوس ویندوس، در ایالت گرند ریو دو سل، برزیل، تجزیه تحلیل کند. اهداف عبارتند از: (i) تعیین و درک تغییر جغرافیایی غلظت کربن آلی خاک به وسیله عمق از طریق تصویربرداری دیجیتال از خاک، و برای ارزیابی عدم قطعیت، (ii) تعیین و به تصویر کشیدن ذخایر کربن آلی خاک، و (iii) محاسبه تغییرات کربن آلی خاک به خاطر تغییر کاربری زمین.

بخشی از مقاله انگلیسی:

Abstract There is a need for soil C assessment in the soils of tropical and subtropical areas. We have aimed to quantify the spatial extent of SOC concentration and stocks under different land use and soil types in an 8118 ha area in southern Brazil. Common soils are Inceptisols, Ultisols and Mollisols, and the dominant land use is forest and vineyard. SOC data were modeled by 5 depths deriving values from spline functions. Regression kriging was used to model SOC concentration for each depth to 100 cm, and for producing a soil depth map. Uncertainty was estimated by empirical approach, using sequential Gaussian geostatistical simulation of the residuals. The Projected Natural Vegetation Soil Carbon (PNVSC) approach was used to evaluate changes in soil carbon due to land use change. Bulk density was estimated by pedotransfer functions. SOC stocks were calculated using the SOC prediction, bulk density and the soil depth map, and the stocks were corrected by cumulative mass coordinates. The models for SOC concentration prediction explained about 44% of the variance at 30–60 cm depth and with slightly lower values for other depths. Important covariates for prediction were Soil Order (Entisols), coordinate X, Aspect and the DEM. The model for the prediction of soil depth explained 43% of variance and important covariates were Soil Order (Entisol, Mollisol, Ultisol), Valley Depth and TWI. Soils under forest accumulated more carbon in the top 30 cm whereas soils under pasture had higher SOC levels with depth. Soils under arable crops and vineyard had the lowest SOC concentration. SOC concentration decreases by depth, as well as prediction intervals of uncertainty, until 60 cm depth. The SOC stocks (0–100 cm) varied between 104 t C/ha in vineyards on Alfisols, and 280 t C/ha in pasture areas on Oxisols. The PNVSC analysis showed that most soils had lost SOC compared to when they were projected to be under forest.

1. Introduction

Assessing the amount and distribution of soil organic carbon (SOC) levels is important as it provides information about soil fertility, rates of sequestration of carbon, recovery of degraded soil, or the impact of land use changes. Mapping the SOC concentration and stocks is challenging because of the considerable variation and dynamics. Spatial and temporal SOC changes are affected by natural and anthropic factors including management practices and land use changes. Several recent studies have predicted and mapped SOC (Adhikari et al., 2014; Padarian et al., 2012; Kirsten et al., 2015; Malone et al., 2009; Mendonça-Santos et al., 2010; Ross et al., 2013; Zhang and Shao, 2014) and the estimation is based on relation between covariates (land use, soil type, slope, aspect, etc.) and SOC levels. Different covariates were found in models to explain SOC distribution. Thompson and Kolka (2005) found that more than 71% of SOC variation could be explained by slope, aspect, curvature, topographic wetness index and overland flow distance. Wiesmeier et al. (2014) found that the most important factors to predict SOC stocks were land use, soil type, soil moisture and climate. Adhikari et al. (2014) predicting SOC concentration, at different soil depths, reported that the importance of variables differed by depth. Minasny et al. (2013) synthesized a large number of digital SOC mapping studies and concluded that different covariates could explain the variation of SOC depending on the complexity of the landscape. The majority of SOC inventory assessments to date focused the 0–20 cm or 0–30 cm surface layers, whereas considerable amounts of SOC may be present deeper in the soil profile (Lal, 2005; Rumpel and Kögel-Knabner, 2011; Minasny et al., 2013; Boddey et al., 2010). Sisti et al. (2004) studied SOC stocks down to 100 cm depth with zero tillage and conventional tillage and found, in rotations with vetch planted as a winter green-manure crop, significantly higher soil carbon and nitrogen concentrations under zero tillage, with most of the differences occurring at 30–85 cm depth. Angers and Eriksen-Hamel (2008) showed different interpretation of SOC stocks when considering different depths, in no till and full-inversion tillage. Full-inversion tillage could accumulate more carbon at the bottom of the plow layer, but the SOC does not completely offset the gain under no till in the surface horizon. The authors highlight the importance of taking into account the whole profile to understand the distribution of SOC stocks. Land use has major impacts on SOC concentration and stocks. However, these effects are also affected by soil class and depth (Hartemink and McSweeney, 2014; Nieder and Benbi, 2008). Changes in land use impacts the SOC levels and modifies soil characteristics. Several studies explained the changes of SOC with land use change. Conant et al. (2001), reviewing 115 studies, found that conversion from native land (mostly rain forest) to pasture increased soil C content for nearly 70% of the studies. Guo and Gifford (2002), compiling 74 publications, found that SOC stocks declined after land use changed from pasture to plantation (−10%), native forest to plantation (−13%), native forest to crop (−42%), and pasture to crop (−59%). However, the SOC stocks increased when the native forest was converted to pasture (+8%), crop to pasture (+19%), crop to plantation (+18%), and crop to secondary forest (+53%). Cerri and Andreux (1990) showed that C levels after 50 years of sugarcane cultivation, in São Paulo, Brazil, were 46% of the levels under primary forest. Although there is a considerable body of research on the digital mapping of SOC in temperate regions, few studies have been conducted in the tropical and subtropical areas. Examples include Berhongaray et al. (2013) estimating SOC stocks in Argentine Pampas, Cheng et al. (2004) predicting SOC concentration in a subtropical area in China, Vasques et al. (2010) estimating SOC stocks in a subtropical watershed in Florida. Digital soil mapping has been used in Brazil (Giasson et al., 2006; Mendonça-Santos and Santos, 2007) and examples of SOC predictions include the studies by Mendonça-Santos et al. (2010) whom used regression-kriging for evaluate the SOC stocks in Rio de Janeiro State, and de Souza et al. (2014) using regression-kriging to predict SOC and clay content in Rio Doce Basin (Minas Gerais State). There have been other studies (e.g., Cerri et al., 2007; Tornquist et al., 2009b) where ecosystem models such as Century or Rothamsed C Model were applied to estimate SOC dynamics in the upper soil layers from different areas in Brazil. The present study aimed to analyze the distribution of soil C in the grape growing region of Vale dos Vinhedos, in Rio Grande do Sul State, Brazil. The objectives were as follows: (i) to quantify and understand the spatial variation of SOC concentration by depth through digital soil mapping, and to assess the uncertainty, (ii) to quantify and map SOC stocks, and (iii) to estimate SOC changes due to land use change.

 

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا